Prophet时序预测模型在电离层TEC异常探测中的应用

提出一种基于Facebook开源的Prophet预测模型进行电离层TEC异常识别的新方法。首先,对比分析了该方法与传统时间序列预测方法(ARIMA模型等)预测电离层TEC建模背景值的精度,以及与经典电离层TEC异常识别方法(滑动四分位法)提取前面对应一致的电离层TEC背景值的精度。结果表明, Prophet预测模型预测建模背景值的精度要明显优于其他方法,且预测的建模精度比ARIMA模型等方法高2.55倍左右,比滑动四分位法高10.74倍左右。同时,在最佳预测建模区间时,其精度值大小比较依次为RMSE_(IQR)=10.5841>RMSE_(ARIMA)=3.2780>RMSE_(Prophet)=0.8469,说明传统探测法预测建模背景值时具有较大的不足。随后,以2017年8月8日九寨沟7.0级地震为例,利用该方法分析了电离层TEC异常扰动情况,并对比验证了该方法的有效性和准确性。实验结果表明:在震前第10 d和第2 d电离层TEC发生较为明显的负异常,第7 d电离层TEC发生较为明显的正异常。对比实验表明, Prophet预测模型的有效性和准确性明显优于滑动四分位法。

Prophet-LSTM组合模型在运输航空征候预测中的应用

为准确预测中国运输航空征候万时率,提出了一种将时间序列模型和神经网络模型组合的预测方法。首先,利用2008年1月—2020年12月的运输航空征候万时率数据建立Prophet模型,使用RStudio软件进行模型拟合,获取运输航空征候万时率的线性部分;其次,利用长短期记忆网络(Long Short-Term Memory,LSTM)建模,获取运输航空征候万时率的非线性部分;最后,利用方差倒数法建立Prophet-LSTM组合模型,使用建立的组合模型对2021年1—12月运输航空征候万时率进行预测,将预测结果与实际值进行对比验证。结果表明,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别为0.0973、16.1285%、0.1287。相较于已有的自回归移动平均(Auto Regression Integrated Moving Average,ARIMA)+反向传播神经网络(Back Propagation Neural Network,BPNN)组合模型和GM(1,1)+ARIMA+LSTM组合模型,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别减小了0.0259、10.4874百分点、0.0143和0.0128、2.0599百分点、0.0086,验证了Prophet-LSTM组合模型的预测精度更高,性能更优良。

基于融合影响因素PSO-Prophet模型的农产品价格预测

为了提高价格预测的准确度,在Prophet模型中融入了消费者物价指数(CPI)和经济政策不确定性指数(EPU)等影响因素,并使用粒子群算法优化参数。利用国际大蒜贸易网中的日价格数据,将该方法应用于山东省大蒜的价格预测。结果表明,融合影响因素的PSO-Prophet模型大蒜价格预测结果的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)比Prophet模型分别降低了82.88%、82.86%和77.49%。融合影响因素的PSO-Prophet模型可以有效提高预测精度。

基于TiDE-PatchTST模型的柑橘冷藏效率时序预测模型优化

柑橘低温贮藏过程中果实温度波动是引发果品品质安全风险与增加制冷能耗的关键因素,同时果品品质与制冷能耗也是评判柑橘冷藏效率的重要评价指标,实现两者动态预测可为科学预知与精准优化柑橘冷藏效率提供可靠支持。本文提出一种基于PatchTST的柑橘冷藏效率时序预测模型。首先,基于自注意力机制和独立预测方法(Channel independent,CI)构建基础PatchTST模型;其次,通过融合基础PatchTST模型与TiDE模型中的协变量特征提取模块,实现对多元时序数据集中全部序列的特征提取,并有效改进模型预测精度;最后,基于皮尔森相关性分析方法定量分析冷库制冷参数与能耗、柑橘温度的相关性,确定TiDE-PatchTST模型输入参数,并基于5000组实验数据实现多种模型训练与测试,对比验证TiDE-PatchTST模型的准确性与优越性。结果表明,基于TiDE-PatchTST模型的冷库能耗预测值与实验值平均绝对误差(MAE)和均方根误差(RMSE)分别为3.645 W·h和10.421 W·h,柑橘温度预测值与实验值的MAE和RMSE分别为0.034℃和0.042℃,相比Transformer模型,能耗预测的MAE和RMSE最高分别下降41.43%和39.27%,柑橘温度预测的MAE和RMSE最高分别下降46.03%和28.81%。本研究可为柑橘冷藏过程温度波动与能耗动态感知与优化调控等提供可靠方法支持与参考。

Prophet时序模型在短期水质溶氧预测中的应用

Prophet是Facebook开源的一种时间序列预测模型,擅长处理具有大异常值和趋势变化的日常周期数据。针对Prophet时序模型在短时间数据上预测精度较低的问题,提出了基于Prophet改进的Prophet_SVR模型对未来2 h内溶氧参数进行预测,并利用对比模型在相同数据上进行对比试验。试验结果通过均方根误差(ERMSE)和平均绝对百分比误差(EMAPE)进行对比。结果显示:Prophet_SVR模型的试验结果相对于Prophet时序模型ERMSE下降0.1971,EMAPE下降3.8904%。试验对比可知,Prophet_SVR预测模型在降低预测整体误差和提升单个数值预测精度上效果更优。该方法训练模型的时间更短、效率更高,为短期水质参数预测提供了参考。

基于Prophet-XGBoost组合模型的极端温度事件下负荷预测

气候变化对城市的影响日益加剧,频发的极端温度事件导致城市电力系统供需不平衡问题凸显,精确的需求侧电力负荷预测成为提升电力系统适应性从而支持城市功能稳定性的关键。本文开发了一种适用于极端温度事件下负荷预测的组合模型,结合时间序列模型Prophet和机器学习模型XGBoost,有效表征极端温度影响下的电力负荷波动趋势。实验结果表明,相比传统单一模型,组合模型显著提高了极端温度事件下的电力负荷预测精度,在增强城市电力系统对气候变化适应性方面具有较强的有效性,从而为电力调度等电力系统应急管理工作提供了更可靠的支持。

基于prophet模型预测中国布鲁氏菌病发病人数

目的建立一个适用于预测中国布鲁氏菌病发病人数的时间序列模型,为该病的预防与控制提供科学依据。方法利用2015年1月至2021年12月的发病人数数据,分别建立SARIMA模型和prophet模型。使用2022年1月至2023年4月的数据对这2个模型的预测效果进行验证,应用RMSE、MAPE和MAE 3项指标比较模型预测的结果。选用预测精度较高的prophet模型对2023年5月至2024年4月的发病人数进行预测。结果我国的布鲁氏菌病发病人数总体呈上升趋势,并于每年的6—7月达到顶峰,显示出明显的季节性趋势。相对于SARIMA模型,prophet模型的RMSE、MAPE和MAE值较低,表明prophet模型对于预测布鲁氏菌病发病人数具有更高的准确性。2023年发病高峰的预测峰值低于2021年和2022年的实际峰值。结论prophet模型可以较好地拟合全国布鲁氏菌病的月报告发病人数,可用于短期预测。

基于Attention-LSTM时序模型的机械钻速预测方法

针对石油天然气开采成本优化的需求,聚焦钻井作业中提速的关键技术,即机械钻速的预测。传统预测方法通常只考虑瞬时工程参数对机械钻速的影响,而未充分考虑钻井作业的时序性以及机械钻速在时间序列上的相关性。提出一种结合时序特征的机械钻速预测模型,该模型基于Attention-LSTM架构。通过Attention机制,模型有效捕捉了工程参数与机械钻速之间的相关性,并利用LSTM网络提取参数的时序特征,增强了模型对时间依赖性的捕捉能力。实验结果证实,所提模型相较于传统深度神经网络在预测精度上有显著提升。添加的Attention机制进一步提升了模型的解释性、训练效率及预测准确性。采用实际油田钻井数据对提出的方法进行了验证,并与现有几种机械钻速预测模型进行了对比分析,证明了本文方法在准确性、可靠性及解释性方面的优势。

零担物流时序预测的SARIMA-GRU-BPNN组合模型及应用

针对零担物流的需求物流量显著季节性、非线性和随机性特征使其预测难度大的问题,提出一种零担物流时序预测的SARIMA-GRU-BPNN组合模型的预测方法。使用季节性分解模型将物流量分解为趋势、季节性及残差,对趋势分量采用季节性差分自回归移动平均模型(SARIMA)拟合线性变化,对季节性分量采用门控循环神经网络(GRU)拟合季节性变化,对残差分量采用反向传播神经网络(BPNN)拟合非线性及随机性变化,组合重构得到最终预测值。实验结果表明,与自身单一模型SARIMA、GRU及BPNN相比,均方根误差(RMSE)分别降低31.5%、34.5%及47.1%;与其他单一模型灰色模型、支持向量机、长短期记忆网络及多元线性回归相比,RMSE分别降低71.3%、68.9%、54.4%及70.7%;与组合模型ARIMA-GRU、ARIMA-BPNN及ARIMA-SVM相比,RMSE分别降低31.0%、43.0%及56.1%,且趋势和季节性分量预测模型拟合优度达到92%和99%,有效降低整体预测误差,提升了预测精度和模型稳健性。

基于降雨量数据的程潮铁矿涌水量时序性预测模型

无底柱分段崩落法开采必然形成大范围的地表塌陷区,所分布的导水裂隙将导致大量的地表降水向下渗透,引起巷道涌水量骤增,程潮铁矿现已进入-500 m开采水平,大气降雨与崩落法开采所引发的裂隙持续动态发展之间的相互作用机制十分复杂。因此,为科学准确地预测井下涌水量,本研究提出了一种以降雨量为输入数据的涌水量灰色GM(1,2)时序性预测模型。以程潮铁矿2019—2021年的降雨量、涌水量实际数据为训练样本,充分考虑崩落法开采对上覆岩体的持续影响,引入时序性系数K对模型进行优化,最终建立的灰色GM(1,2)时序性预测模型与传统的GM(1,2)预测模型相比,预测精度平均提高了7.79%。运用该模型对2022年的涌水量进行预测检验结果表明,其旱、雨两季的预测精度分别为93.51%、93.58%,预测效果较好。研究成果是通过地表降雨量数据直接预测矿山井下涌水量数据的一种有效方法。

基于Prophet-LightGBM的PM2.5浓度预测模型

近年来,PM2.5污染问题日益突出,对人们的身体健康和环境质量造成了严重影响,建立准确的PM2.5浓度预测模型对于污染防治和空气质量管理具有重要意义。针对PM2.5时间序列的非线性、高噪声、不平稳特征提出一种将Prophet模型和LightGBM模型相结合的组合模型。为了验证模型的有效性,以兰州市PM2.5浓度数据为例,对比分析了Prophet-LightGBM模型和其他4种预测模型及其在不同季节下的预测效果。结果表明,Prophet-LightGBM模型相较于对比模型能够更准确地预测PM2.5浓度的变化趋势,RMSE值达6.557,MAE值达4.543,MAPE值达14.344%,在夏季和秋季的预测准确度和稳定性方面表现出更优异的性能,RMSE值最优时达3.155,MAE值达2.169,MAPE值达9.4%。

改进的Prophet融合误差预测模型应用于大气二氧化硫时序预测

近年来,天气预报中的空气质量预报成为大众尤为关心的热点,由于二氧化硫对空气质量水平变化的影响较大,因此准确预测二氧化硫的浓度变化尤为重要.采用XGBoost模型对Prophet模型的预测误差进行修正,建立改进的Prophet融合误差预测模型,对于空气质量中的关键指标二氧化硫进行时序预测.将时序数据输入Prophet模型,对Prophet生成的预测结果与源输入比较求出残差,构建关于残差的时序序列,利用XGBoost进行残差时序建模,获取残差的修正值,将修正值返回输入到Prophet模型.通过上述步骤,构建特定时序数据融合模型.实验数据表明,融合模型在预测结果中的平均绝对误差和均方根误差分别为1.08和1.38,与Prophet相比,误差指标分别降低2.47,2.45;与差分整合移动平均自回归模型相比,误差指标分别降低0.49,0.47;与XGBoost模型相比,误差指标分别降低0.54,0.52.证明融合模型的预测精度优于上述模型.

LSTM-Prophet混合模型在物料储备需求预测中的应用

建立LSTM⁃Prophet混合模型,预测A公司未来每日物料消耗量,为工段每日物料储备提供参考,数据集来源为A公司2015年来每日物料实际消耗量。实验结果显示,LSTM⁃Prophet混合模型预测时序数据的MAE值为40.905,MAPE值为0.044,R2值为0.863,三个评价指标都优于LSTM模型、Prophet模型、ARIMA模型三个单一模型的评价指标值。验证了LSTM⁃Prophet混合模型有着更好的预测精度,可以更好地应用于工业场景。

预测动车组牵引系统故障率的TSOBP-ARIMA-Prophet组合模型

针对单一模型预测故障率时的适用性差异问题,在考虑动车组牵引系统故障率数据特点的基础上,提出TSOBP-ARIMA-Prophet组合模型。首先,针对动车组牵引系统故障率的复杂非线性,引入金枪鱼群算法(TSO)优化BP模型,训练出TSOBP预测模型;其次,针对故障率的非平稳波动性,选取ARIMA预测模型;然后,针对故障率的季节周期性,选取Prophet预测模型;最后,运用方差倒数法对3个模型的预测结果赋权,得到TSOBP-ARIMA-Prophet组合模型的预测结果。以某动车组牵引系统为例,采用该组合模型预测故障率,并与3个单一模型及TSOBP-ARIMA组合模型对比验证其预测能力。结果表明:该组合模型预测时均方误差为0.0752,较TSOBP,ARIMA和Prophet模型单独预测时分别降低了45.83%,61.65%和53.42%,预测精度显著提高,且较TSOBP-ARIMA组合模型对数据趋势的感知力更优,可有效提升对动车组牵引系统故障率的预测能力。

基于时序模型的高耗能企业短期电力负荷预测方法

常规的高能耗企业短期电力负荷预测方法易受内外循环鲁棒性影响,导致电力负荷预测平均相对误差(Mean Relative Error,MRE)较高,因此,基于时序模型,设计一种全新的高能耗企业短期电力负荷预测方法。结合企业短期电力负荷预测数据,基于时序模型设计了企业短期电力负荷预测算法,从而实现了短期电力负荷预测。实验结果表明,设计的高耗能企业短期电力时序模型负荷预测方法的电力负荷预测MRE较低,证明设计的电力负荷预测方法的预测效果较好,有一定的应用价值,为降低企业电能损耗作出了一定的贡献。

基于时序数据降维的脓毒症死亡风险预测模型

现有脓毒症患者死亡风险预测模型大多需要患者的血常规结果等数据,输入特征较多且采集化验流程复杂。针对这个问题,提出了改进的包裹式(Wrapper)特征筛选方法以及基于LSTM和XGBoost的SD2V-XGBoost预测模型,能够仅使用较少的临床实时体征预测脓毒症患者的死亡风险。首先,利用改进的包裹式特征筛选方法筛选出和患者死亡风险相关性高的特征;其次,使用LSTM网络将患者的时间序列数据映射成向量;最后,将LSTM网络输出的向量和患者体征的统计特征作为XGBoost的输入,预测患者的死亡风险。使用公开的MIMIC-III数据集进行实验。在输入特征数量方面,和已有研究的模型对比,SD2V-XGBoost模型在保持预测精度的前提下将输入特征数量减少了71%;在预测精度方面,仅使用临床实时体征,SD2V-XGBoost的接受者操作特征曲线下面积为0.852 1,准确召回率曲线下面积为0.632 0,死亡样本召回率为72.15%,均优于LSTM、XGBoost和随机森林模型。

基于WPA-Prophet模型的区域用电量预测

为了获得精度更高的用电量预测模型,采用狼群算法对Prophet模型的关键参数进行寻优,构建基于WPA优化Prophet的用电量预测模型。实验数据为澳大利亚维多利亚州2015—2019年五年的日用电量,使用前四年作为测试集,最后一年验证预测结果的准确性,预测结果的评价指标采用均方根误差和平均绝对百分比误差。实验结果表明,通过WPA优化后的Prophet模型预测精度得到了有效提升,为提升区域用电量预测精度提供了参考。

基于强降水时序特征的TSVGG-Light暴雨灾情指数预测模型构建及风险灾情一致性分布验证

文章针对强降水灾情预测问题,提出了一种基于强降水时序特征的TSVGG-Light暴雨灾情指数预测模型。该模型利用气象观测数据中的降水时序特征作为输入,对数据进行特征提取和建模,预测出未来一段时间内的强降水灾情指数。为了验证模型的有效性,文中还进行了风险灾情一致性分布验证。实验结果表明,TSVGG-Light模型在强降水灾情预测上具有较高的准确性和稳定性,并且模型预测结果与实际灾情分布具有较好的一致性。TSVGG-Light模型可以成为预测和评估强降水灾情的有效工具。

基于ARIMA和Prophet的水质预测集成学习模型

将时间序列模型ARIMA和Prophet作为基学习器,结合BP神经网络模型构建了水质预测集成学习模型。选取长江流域某断面2019—2020年的DO、COD_(Mn)、NH_(3)-N、TP和TN等5个水质指标的监测数据对该模型的有效性进行了检验,结果表明:5个水质指标集成学习模型预测结果的平均绝对百分比误差比时间序列模型的预测误差分别低35.0%、29.9%、4.1%、40.6%和17.1%,模型预测值和监测值的皮尔逊相关系数大于0.8。集成学习模型预测精度高于单一模型,可以更精确地进行水质预测。

城市燃气短期周期负荷预测的时序模型

中国天然气工业将把局限在一个城市内的独立的燃气管网带入跨区域的、全国联网的、甚至与国际天然气管网相连接的天然气网络大系统 ,这就要求我国目前的燃气系统在功能上要有实质的进步 ,包括系统的信息采集与处理 ,建立运行在城市间的天然气网络优化调度系统 ,季节调峰和事故应急功能的地下储气库等。所有这些功能都离不开对燃气负荷的研究 ,时序模型的研究对于城市燃气负荷预测有重要的意义。文章对短周期负荷的数学模型进行了深入的研究 ,提出了用Fourier级数描述的数学模型 ,并给出了判断隐含周期项数和计算模型参数的方法。